fastq格式

高通量测序（如llumina NovaSeq等测序平台）得到的原始图像数据文件。

经碱基识别（Base Calling）分析转化为原始测序序列（Sequenced Reads），称为Raw Data或Raw Reads，结果以FASTQ（简称为fq）文件格式存储，其中包含测序序列（Reads）的序列信息以及其对应的测序质量信息。

FASTQ格式文件中每个Read由四行描述：

  1. 以“@”开头，随后为llumina测序识别符（Sequence Identifiers）和描述文字（选择性部分）。
  2. 碱基序列。
  3. 以“+”开头，随后为lllumina测序识别符（选择性部分）。
  4. 对应序列的测序质量的ASCII码。

image.png

测序标识

image.png

碱基质量

碱基质量值

碱基质量值（Quality Score或Q-score）是碱基识别（Base Calling）出错的概率的整数映射。通常使用的碱基质量值Q公式为：
image.png
其中P为碱基识别出错的概率。下表给出了碱基质量值与碱基识别出错的概率的对应关系：
image.png
碱基质量值越高表明碱基识别越可靠，准确度越高。比如，对于碱基质量值为Q20的碱基识别，100个碱基中有1个会识别出错，以此类推。

ASCII码表

为了使得单一字符对应单一数字，利用ASCII码表，引入Phred值。即 Q+Pherd = ASCII表中该符号对应的数字。常见的Phred值为33或64。
image.png

练习

题目

image.png

答案

  1. zcat SRR1039510_1.fastq.gz | grep '@SRR' | wc -l      ## 1
  2. zcat SRR1039510_1.fastq.gz | grep '@SRR' | less -SN   ## 2
  3. zcat SRR1039510_1.fastq.gz | awk 'NR%4==2{print $0}' | less -SN  ## 3
  4. zless -S SRR1039510_1.fastq.gz |awk '{ if(NR%4==2){print} }' | awk 'BEGIN {num=0} {num=num+length($0)} END{ print "num="num}'